网站首页
编程语言
数据库
系统相关
其他分享
编程问答
PINN
2024-07-03
pytorch实现:PINN 模拟抛射运动(基于时间)
pytorch实现:PINN模拟抛射运动(基于时间)1.抛射运动(基于时间)2.理想和现实的差异2.1.理想完美情况2.2.实际不完美数据2.2.1.过拟合2.2.2正则化3.物理信息神经网络4.代码实现5.结果展示1.抛射运动(基于时间)将问题置于抛射运动场景,在处于自由落体运动中的抛射
2024-06-21
pytorch实现:PINN 寻求一维非线性薛定谔方程数值解
pytorch实现:PINN寻求一维非线性薛定谔方程数值解pytorch实现:PINN寻求一维非线性薛定谔方程数值解1.非线性薛定谔方程2.PINN实例2.1偏微分方程条件2.2损失函数推导2.3损失函数定义3.代码实现4.训练结果5.源代码pytorch实现:PINN寻求一维非线性薛定谔方程数值
2024-05-24
Nature 子刊丨用于锂离子电池退化稳定建模和预后的物理信息神经网络
作者: FujinWang,ZhiZhai,ZhibinZhao,YiDi,XuefengChen单位:西安交通大学01摘要准确的健康状态(SOH)估计对于锂离子电池的可靠和安全运行至关重要。然而,由于电池类型和工作条件各不相同,可靠和稳定的电池SOH估计仍然具有挑战性。在本文中,我们提出了一种物理知情神经网
2024-03-23
PINN物理信息网络 | 全局自适应物理信息神经网络SA-PINN
概述全局自适应物理信息神经网络(SA-PINN)是一种特殊的神经网络模型,它结合了物理方程建模、自适应算法和网络训练技术,以实现对物理系统的全局自适应建模和预测。这种网络结构能够自动调整其内部参数和结构,以适应输入数据的特征和模式,并在处理复杂物理问题时展现出强大的能力
2024-03-21
PINN物理信息网络 | 物理信息神经网络求解麦克斯韦方程
物理信息神经网络(PINN)求解麦克斯韦方程的研究背景源于对复杂电磁现象描述与计算的挑战以及对神经网络在物理问题求解中潜力的探索。麦克斯韦方程组是英国物理学家詹姆斯·克拉克·麦克斯韦在19世纪建立的一组描述电场、磁场与电荷密度、电流密度之间关系的偏微分方程。这组
2023-12-17
PINN——加入物理约束的神经网络
【摘要】基于物理信息的神经网络(Physics-informedNeuralNetwork,简称PINN),是一类用于解决有监督学习任务的神经网络,它不仅能够像传统神经网络一样学习到训练数据样本的分布规律,而且能够学习到数学方程描述的物理定律。与纯数据驱动的神经网络学习相比,PINN在训练过程中施加了物理
2023-12-10
物理信息神经网络(PINN)
什么是物理信息神经网络(PINN)?宋家豪,曹文博,and张伟伟."FD-PINN:频域物理信息神经网络."力学学报55.5(2023):1195-1205.物理信息神经网络(PINN)是一种将深度学习与物理建模相结合的方法,用于求解偏微分方程(PDE)和其他物理问题。PINN的关键思想是将物理约束嵌入神经网络
2023-10-13
百度飞桨AI4S亮相全国动力学设计与反问题研讨会,助力汽车底盘智能设计
2023年9月15-18日,第二届全国动力学设计与反问题研讨会暨第一届全国动力学载荷与设计学术会议在南京顺利召开。会议由国家自然科学基金委员会数理科学部指导,中国力学学会动力学与控制专业委员会主办,中国振动工程学会动力学载荷与设计专业委员会、江苏省力学学会、江苏省振动工程学会
2023-08-07
飞桨科学计算线下交流会|基于PINN的传播动力学研究
分享者:中国传媒大学大数据分析与挖掘实验室博士生张志强众所周知,我们处于网络信息大爆炸的时代。现代互联网产生了大量的舆情信息,其中很多信息并不是正常的信息,是因为在网络中存在着部分恶意造谣者。国家非常重视舆情治理,它与整个国家的安全息息相关。网络中许多貌似无用的热点话题
2023-03-12
META-PDE
未发表摘要本文提出了一种基于元学习的方法,该方法从一系列相关的偏微分方程中学习快速解决问题。作者使用元学习(MAML和LEAP)来识别近似PDE解的神经网络的初始化,以便在新任
2023-02-18
Physics Informed Deep Learning for Flow and Transport in Porous Media
PaperpresentedattheSPEReservoirSimulationConference,On-Demand,October2021.这篇论文关注石油储藏模拟问题,应用PINN解决该领域的问题,并对标准PINN进行
2023-02-06
Characterizing possible failure modes in physics-informed neural network
NeurIPS2021表征PINN中可能的失败模式。本文的思路也比较简单,通过对PINN的优化域进行观察,发现导致PINN训练的原因并不是因为神经网络的表达力不足,而是由于PINN中引入
2023-02-05
Respecting causality is all you need for training physics-informed neural networks
未发表本篇工作时关于连续时间的PDE。也是从因果关系的角度入手,最近看过几篇该作者的工作。(简而言之就是从初始条件方向开始训练)目前的PINN框架缺乏尊重物理系统演
2023-02-05
How to Avoid Trivial Solutions in Physics-Informed Neural Networks
未发表(2021)本文也是关注采样点的一篇工作。主要从PINN的性能与采样点数量的关系方面入手考虑。提出了一个新的惩罚项,并对采样策略提出了一点看法。本文的工
2023-02-04
Is L2 Physics-Informed Loss Always Suitable for Training Physics-Informed Neural Network?
NeurIPS2022本篇工作对PINN中的物理损失进行了探究,作者认为L2损失并不总是适用于训练PINN。并从PDE解的稳定性角度给出了理论性的说明。读了这篇文章,感觉自己的毕
2023-02-02
Efficient training of physics-informed neural networks via importance sampling
因为看着作者是英伟达的,便看了一下。总体感觉没有什么新意,改进幅度也很小,但是理论推导可以看一下。可以借鉴一下。本文通过重要性采样对PINN进行高效计算,本文提出的
2023-02-01
Mitigating Propagation failures in PINNs using Evolutionary Sampling
未发表 本文采用进化采样策略来缓解PINN使用中的传播失败。大体可以描述为一类主动学习/自步学习方法与分析。当前,面对PINN失败的问题,当前的研究大部分都集中在
2023-01-31
IMPROVED TRAINING OF PHYSICS-INFORMED NEURAL NETWORKS WITH MODEL ENSEMBLES
未发表本篇文献的思路比较简单,类似于一种蔓延式的学习,但是本文不同的是利用了多个PINN进行辅助选点。类似的工作以前看过几篇,但本片文献一个显著的缺点是计算力非常
2023-01-30
Theory-guided physics-informed neural networks for boundary layer problems with singular perturbatio
JCP2023 这篇文章聚焦了PINN在处理奇异摄动问题时所面临的困难。(用不同的分支网络去表示内部区域和外部区域中边界层问题的不同阶数的近似)。但本文所提出的方法计算